FenixEdu™

Dissertação

Non-cooperative UAV Detection and Relative Position Estimation A Deep Learning Approach Using LiDAR and Camera Data EVALUATED

Detalhes: O trabalho apresentado nesta tese propõe um sistema capaz de detetar e estimar a posição relativa de UAVs (Unmanned Aerial Vehicles) não cooperativos. O sistema utiliza medições de um LiDAR (Light Detection and Ranging) e imagens de uma câmara para detetar e seguir UAVs próximos através da aplicação de algoritmos de deep learning. Em vez de anotar manualmente imagens para treinar o detetor de objetos escolhido - YOLO (You Only Look Once), foram criadas imagens sintetizadas e automaticamente anotadas com o open-source software AirSim. O YOLO foi treinado com 4761 imagens e validado com 530 imagens, para as quais apresentou mAP (Mean Average Precision) igual a 99.03%, precisão de 98.00%, recall de 98.00% e um IoU (Intersection over Union) de 83.11%. O YOLO fornece coordenadas de bounding boxes que, em conjunto com medições do LiDAR, são utilizadas para estimar a posição relativa dos UAVs. Filtros de Kalman são utilizados para suavizar as estimativas obtidas. O sistema pode ser usado em situações nas quais sistemas convencionais de localização não são uma boa solução, como sense and avoid. Simulações realizadas com o AirSim apresentaram um RMSE (Root-Mean Squared Error) máximo de 8.60m para a estimativa de distancia com uma câmara de resolução 720p e 7.80m para uma camara de resolução 1080p, quando o UAV se encontra a Z ≈ 50m. Finalmente, simulações com dois UAVs foram realizadas para confirmar que o sistema funciona para qualquer numero de UAVs presentes nas imagens, sem qualquer informação ou suposição sobre os mesmos.
Keywords: Câmara, LiDAR, YOLO, AirSim, Filtro de Kalman

Discussão: dezembro 14, 2021, 17:0